正则表达式
动机:
1.文本处理已经成为计算机的常见工作之一
2.对文本内容的搜索,定位,提取是逻辑比较复杂的工作
3.为了快速解决上述问题,产生了正则表达式技术
定义:即文本的高级匹配模式,提供搜索,替代等功能,其本质是一系列由特殊 符号组成的字串,这个字串即正则表达式
匹配原理:由普通字符和特殊符号组成的字符串,通过描述字符的重复和位置等行为,达到匹配某一类字符串的目的
目标:
1.熟练掌握正则表达式符号
2.实现基本的文本搜索,定位,提取,理解正则用法
3.能够适用re模块操作正则表达式
特点:
*方便文本处理
*支持语音众多
*适用灵活多样
python--->re模块
re.findall(pattern,string)
功能:使用正则表达式匹配目标字符串内容
参数:pattern 正则表达式
string 目标字符串
返回值: 列表 列表中为匹配到的内容
元字符的使用
1.普通字符
元字符:a b c
匹配规则:每个字符匹配对应的字符
eg:
>>> re.findall('\d+','hello 123 45678 4545')
['123', '45678', '4545']
2.或
元字符: |
匹配规则:匹配|两边任意一个正则表达式
eg:
>>> re.findall('ab|cd','adjsjdbfjasbjdfbjasbjdbabhdbhafhbdaabcdabcd')
['ab', 'ab', 'cd', 'ab', 'cd']
3.匹配单个字符
元字符: .
匹配规则:匹配除换行外的任意字符
f.o--->foo fao f o
eg:
re.findall('f.o','fo is foo de fofofofao')
['foo', 'fao']
4.匹配开始位置
元字符: ^
匹配规则:匹配目标字符串的开头位置
eg:
>>> re.findall('Tom','Tom is a good boy')
['Tom']
5.匹配结束位置
元字符: $
匹配规则:匹配字符串的结束位置
eg:
>>> re.findall('Tom$','he\ is a good boy Tom')
['Tom']
6.匹配重复
元字符: *
匹配规则:匹配前面的字符出现0次或多次
fo*--->fooooooooooo f fo
eg:
>>>re.findall('fo*','fadasfofoooofooooofooofooooooo')
['f', 'fo', 'foooo', 'fooooo', 'fooo', 'fooooooo']
7.匹配重复
元字符: +
匹配规则:匹配前面的字符出现一次或多次
fo+----> fo foooooo
eg:
>>>re.findall('fo+','fadasfofoooofooooofooofooooooooo')
['fo', 'foooo', 'fooooo', 'fooo', 'fooooooooo']
8.匹配重复
元字符: ?
匹配规则:匹配前面的字符出现0次或1次
fo?---->f fo
eg:
>>> re.findall('fo?','fasodofoffoooo')
['f', 'fo', 'f', 'fo']
9.匹配重复
元字符:{n}
匹配规则:匹配指定的重复次数
fo{3} ---> fooo
eg:
>>> re.findall('fo{2}','fasodofoffoooo')
['foo']
>>> re.findall('fo{3}','fasodofoffoooo')
['fooo']
>>> re.findall('fo{4}','fasodofoffoooo')
['foooo']
10.匹配重复
元字符:{m,n}
匹配规则:匹配前面的正则表达式 m--n次
fo{2,4}--->foo fooo foooo
eg:
>>> re.findall('fo{2,4}','fasodofooffoooo')
['foo', 'foooo']
11.匹配字符集合
元字符:[字符集]
匹配规则:匹配任意一个字符集下的字符
[abc123] a b c 1 2 3 12
[a-z]
[A-Z]
[0-9]
[_123a-z]
eg:
>>> re.findall('^[a-z][a-z]','boy')
['bo']
12.匹配字符集
元字符:[^...]
匹配规则:字符集取非,除了列出的字符之外任意一个字符
[^abc]-->除abc之外任意字符
eg:
>>> re.findall('[^abcds]','boyadshfhjasjhbhjasf')
['o', 'y', 'h', 'f', 'h', 'j', 'j', 'h', 'h', 'j', 'f']
13.匹配任意(非)数字字符
元字符: \d \D
匹配规则: \d 匹配任意数字字符 [0-9]
\D 匹配任意非数字字符 []
eg:
>>> re.findall('\D','AID1807')
['A', 'I', 'D']
14.匹配任意(非)普通字符
元字符:\w \W
匹配规则:\w 普通字符
\W 非普通字符
eg:
>>> re.findall('\w','我在北京')
['我', '在', '北', '京']
>>> re.findall('\W','!@#$我在北京')
['!', '@', '#', '$']
15.匹配任意(非)空字符
元字符: \s 匹配任意空字符[ \r\t\n\v\f]
\S 匹配任意非空字符
eg:
>>> re.findall('\w+\s+\w+','hello beijin')
['hello beijin']
>>> re.findall('\w+\S+\w+','hello beijin')
['hello', 'beijin']
16.匹配字符串位置
元字符: \A \Z
匹配规则:\A匹配字符串开头位置 ^
\Z匹配字符串结尾位置 $
>>> re.findall('\Ahello','hellobeijin')
['hello']
>>> re.findall('beijin\Z','hellobeijin')
['beijin']
绝对匹配:正则表达式完全匹配目标字符串内容
在正则表达式的开头或者结尾加上^或者$(或者\A\Z).这样正则表达式必须匹配到整个目标字符串才会有结果
eg:
>>> re.findall('\A\d+$','1234568789')
['1234568789']
17.匹配(非)单词边界
元字符: \b \B
匹配规则:\b 匹配单词边界位置
\B 匹配非单词边界位置
普通字符和非普通字符认为是单词边界
eg:
>>> re.findall(r'he\b','he ##is a good gril')
['he']
元字符总结
匹配单个字符: a . \d \D \s \S \w \W
[...] [^...]
匹配重复: * + ? {n} {m,n}
匹配位置:^ $ \A \Z \b \B
其他: | () \
正则表达式转义
正则中的特殊字符
. * + ? ^ $ [] {} () | \
正则表达式如果匹配特殊字符需要加\表达转义
eg: 正则 目标字符串
>>> re.findall('\$\d+','$10')
['$10']
pattern string
python '\\$\\d+' '$10'
python r'\$\d+' '$10'
raw子串: 原始字符串对内容不解释转义,就表达内容原本的意义
贪婪和非贪婪
贪婪模式:正则表达式的重复匹配总是尽可能多的向后匹配更多内容
* + ? {m,n}
非贪婪模式(懒惰模式):尽可能少的匹配内容
贪婪--->非贪婪 *? +? ?? {m,n}?
>>> re.findall(r'ab','abbbbbbbbbbb')
['ab']
>>> re.findall(r'ab+','abbbbbbbbbbb')
['abbbbbbbbbbb']
>>> re.findall(r'ab{3,5}?','abbbbbbbbbbb')
['abbb']
正则表达式的子组
可以使用()为正则表达式建立子组,子组可以看做是正则表达式内部操作的一个整体
*子组是在正则表达式整体匹配到内容的前提下才会发挥的作用,他不影响正则表达式整体去匹配目标内容这一原则
子组作用
1.作为内部整体可以改变某些原字符的行为
eg:
>>> re.search(r'(ab)+\d+','abababab123456').group()
'abababab123456'
2.子组在某些操作中可以单独提取出匹配内容
>>> re.search(r'(https|http|ftp)://\S+','https://baidu.com').group()
'https://baidu.com'
子组使用注意事项:
*一个正则表达式中可以有多个子组
*子组一般由外到内,左到右称之为第一,第二,第三...子组
*子组不能重叠,嵌套也不宜很复杂
捕获组和非补货组
格式:(?P<name>pattern)
>>> re.search(r"(?P<dog>ab)cdef",'abcdefghijklmn').group('dog')
'ab'
作用:可以通过组名更方便获取某组内容
正则表达式设计原则:
1.正确性:能正确匹配到目标内容
2.排他性:除了要匹配的内容,尽可能不会匹配与到其他内容
3.全面性:需要对目标的各种情况进行考虑,做到不遗漏
re模块
compile
regex = compile(pattern,flags = 0)
功能:生成正则表达式对象
参数:patter 正则表达式
flags 功能标志位,丰富正则表达式的匹配功能
返回值:返回正则表达式对象
re.findall(pattern,string,flags)
功能:从目标字符串查找正则匹配内容
参数:pattern 正则表达式
string 目标字符串
flags 标志位
返回值:返回匹配到的位置
如果正确则有子组则只返回子组对应内容
regex.findall(string,pos,endpos)
功能:从目标字符串查找正则匹配内容
参数:string 目标字符串
pos 匹配目标的起始位置
endpos 匹配目标的终止位置
返回值:返回匹配到的位置
如果正确则有子组则只返回子组对应内容
re.split(pattern,string,flags=0)
功能:根据正则匹配内容切割字符串
参数: pattern string flags
返回值:返回列表,列表中为切割的内容
re.sub(pattern,replaceStr,string,max,flags)
功能:替换正则匹配到的目标子串部分
参数:pattern
replaceStr:要替换的内容
string
max:最多替换几处,默认为全部替换
flags:
返回值:返回替换后的字符串
re.subn(pattern,replaceStr,string,max,flags)
功能:替换正则匹配到的目标子串部分
参数:pattern
replaceStr:要替换的内容
string
max:最多替换几处,默认为全部替换
flags:
返回值:返回一个元组为实际替换了几处和替换后的字符串
re.finditer(pattern,string,flags)
功能:使用正则表达式匹配目标字符串
参数:pattern string flags
返回值: 返回一个迭代对象,迭代到的内容是一个match对象
fullmatch(pattern,string,flags)
功能:完全匹配目标字串
参数:pattern,string,flags
返回值:返回匹配到的match对象
如果没匹配成功返回NoneType
match(pattern,string,flags)
功能:从开头位置匹配目标字符串
参数:pattern,string,flags
返回值:返回匹配到的match对象
如果没匹配成功返回NoneType
search(pattern,string,flags)
功能:正则表达式匹配目标字符串,只匹配第一处
参数:pattern,string,flags
返回值:返回匹配到的match对象
如果没匹配成功返回NoneType
compile对象属性
flags:标志位
pattern:正则表达式
groups:有多少子组
groupindex:捕获组成组名和序列号的字典
组名为键,第几组为值